人工智能模型可以帮助预测新药组合的不良事件

“临床医生面临的现实问题是，新的联合疗法可能导致不可预测的结果，”该研究的资深作者、阿姆斯特丹癌症中心副教授Bart Westerman 博士说。“我们的方法可以帮助我们了解不同药物的作用与疾病背景之间的关系。”

许多癌症类型越来越多地采用联合疗法进行治疗，临床医生试图通过联合疗法最大限度地提高疗效并最大限度地减少治疗抵抗的机会。然而，这种联合疗法可以一次将多种药物添加到患者已经复杂的药物清单中。测试新药或组合的临床试验很少考虑患者可能在测试治疗方案之外服用的其他药物。

“寻求治疗的患者通常每天使用四到六种药物，因此很难确定新的联合疗法是否会危及他们的健康，”韦斯特曼说。“很难评估联合疗法的积极作用是否会证明其对特定患者的负面副作用是合理的。”

Westerman 及其同事——包括介绍该研究的研究生 Aslı Küçükosmanoğlu——试图使用机器学习来更好地预测新药组合导致的不良事件。他们从美国食品和药物管理局不良事件报告系统 (FAERS) 收集数据，该数据库包含超过 1500 万条不良事件记录。他们使用一种称为降维的方法，将经常同时发生的事件组合在一起，以简化分析并加强药物与其副作用之间的关联。

然后，研究人员将数据输入卷积神经网络算法，这是一种模仿人类大脑在数据之间建立关联的方式的机器学习。然后使用个别疗法的不良事件来训练算法，该算法确定了药物及其副作用之间的共同模式。识别的模式被编码到所谓的“潜在空间”中，通过将每个不良事件概况表示为 0 到 1 之间的 225 个数字字符串，可以将其解码回原始概况，从而简化计算。

为了测试他们的模型，研究人员向他们的模型提供了未见的联合疗法不良事件概况，称为“不良事件图谱”，以查看它是否可以识别这些新概况并使用潜在空间描述符正确解码它们。这表明该模型可以识别这些新模式，表明测量的组合曲线可以转换回组合疗法中每种药物的曲线。

韦斯特曼说，这表明联合治疗的副作用很容易预测。“我们能够通过潜在空间描述符的简单代数计算来确定个体治疗效果的总和，”他解释说。“由于这种方法减少了数据中的噪声，因为该算法经过训练可以识别全局模式，因此它可以准确地捕捉到联合疗法的副作用。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！